Los modelos para predecir series temporales con variabilidad estacional pueden utilizarse para construir sistemas de control en tiempo real automáticos. Por ejemplo, predecir el flujo de agua en una planta de tratamiento de aguas residuales puede utilizarse para calcular el consumo óptimo de electricidad. El artículo describe un análisis de rendimiento de varios métodos de aprendizaje automático (SARIMA, Suavizado Exponencial de Holt-Winters, ETS, Facebook Prophet, XGBoost y Memoria a Corto Plazo de Largo Plazo) y algoritmos de preprocesamiento de datos implementados en Python. Se describe la metodología general de construcción de modelos y los requisitos de los conjuntos de datos de entrada. Todos los modelos utilizan datos reales de sensores del sistema de monitoreo. La novedad de este trabajo radica en un enfoque que permite utilizar conjuntos de datos de historial limitado para obtener predicciones con una precisión razonable. Los algoritmos implementados permitieron lograr una precisión de R-Cuadrado de más de 0.95. El tiempo de cálculo de pronóstico se minimiza, lo que puede utilizarse para ejecutar el algoritmo en sistemas de control en tiempo real y sistemas integrados.